[发明专利]基于深度迁移学习的植物气孔密度和开度识别方法及系统

说明书

本发明公开了基于深度迁移学习的植物气孔密度和开度识别方法，包括步骤：1）将部分气孔图像进行气孔及气孔内壁双目标标注，作为训练集、验证集，其余作为测试集；2）基于训练集和验证集进行模型训练和优化，当损失函数收敛到最小值时，保存当前模型；3）载入训练后的模型，对测试集图像进行智能识别定位、标注，自动计算得到气孔密度；4）对智能定位后的气孔内壁进行拟合计算，生成对应的气孔开度表型数据文件；5）系统将检测定位及拟合效果可视化呈现给用户，用户可根据需要做参数调整，直至满意。本发明能自动且高效精准地对气孔密度及开度进行智能检测识别和分析，并自动生成相应的表型数据，方便后续研究。

技术领域

本发明属于模式识别和人工智能的智慧农业领域，具体涉及一种基于深度迁移学习的植物气孔密度和开度识别方法及系统。

背景技术

植物的气孔是植物表皮的特化结构，主要位于植物叶片的表面，是植物个体与外界交换的主通道,对调节生态系统碳、水循环、植物与环境相互调控等过程起着极其重要的作用。植物通过改变气孔孔径的大小(即气孔的开度)来调节光合作用、呼吸作用和蒸腾作用的速率以适应变化的环境。植物气孔开度的大小对植物的抗干旱等特性均有所影响。植物气孔影响着陆生植物的生产和生命。

气孔数量统计分析多采用人工测量或半自动化技术,难以实现准确、高通量、自动化处理。现有的基于显微镜图像的气孔识别和分析方法大多采用人工辅之以计算机软件进行，这种半自动的方法难以满足高通量、自动化、准确研究气孔的需要。此外，由于植物种类的差异、同一植物不同叶片及采集条件的变化，气孔图像间差异较大，基于图像处理技术的自动化方法，气孔目标检测准确率较低且难以用统一的方法进行处理。

深度学习技术的兴起为植物显微镜图像复杂场景下的气孔目标检测提供了新思路和方法。深度神经网络依靠其深层次网络带来强大的特征表达能力，能够将输入的图像的低层次特征抽象为高层次特征，能够最大限度的消除气孔图像背景变化造成的干扰，以及降低气孔大小变化、形状变化产生的影响，从而更加有利于气孔图像中气孔目标的检测。

近年来国内提出的一些新颖的植物气孔目标检测方法，SilvereVialet-Chabrand等人提出了一种名为级联分类器的方法。该方法首先训练出一个级联分类器模型，然后利用这个模型能够自动检测识别并定位出一副植物气孔图像中气孔的数量和位置。但这种级联分类器方法在训练模型前准备训练集过程复杂且训练和检测识别定位耗时较长。KaueT.N.Duarte等人提出了一种基于多尺度小波分析的检测识别并计数气孔的方法。这种方法需要高质量的气孔图像，且植物气孔图像的处理过程较为复杂。HiranyaJayakody等人提出了一种级联目标检测学习算法，然而线性分类器的训练和滑窗遍历气孔图片时的步幅大小设置是决定这种滑窗法检测气孔最终效果和效率的关键。Takumi Higaki等人提出了一个有效的通用的学习算法来检测植物叶片气孔，该方法联合了遗传算法和CARTA(Clustering-Aided Rapid Training Agent聚类辅助快速训练)自组图算法，这种方法需要进行大量的实验和试错来对参数进行优化才能达到一个较高的气孔目标检测精度。Yosuke Toda等人则采用了定向梯度直方图加分类器的组合对植物气孔图像中的气孔进行检测识别与定位。该方法要求图像具有均匀质地背景，不适合具有丰富背景特征的图像。

随着深度学习的发展，Karl C.Fetter等人提出一种基于深度神经网络的植物气孔检测识别方法，所采用的数据库图像均是离体并剥去表皮或是指甲油印记法制成玻片在显微镜下成像，这种方法得到的图像质量好，气孔清晰。朱济友、荐圣淇等人提出了采用eCognition商用遥感智能化影像分析软件来估算植物叶片气孔密度，该方法预处理的气孔图像进行多尺度分割的过程中需要不断调整尺度参数、形状参数和紧致度参数。这些方法对初期采取的样本质量要求高且后期计算较为繁琐且不够精确。

发明内容